图像字幕生成是计算机视觉的基础任务之一,其目的是以自然语言的形式对图像中的内容进行准确的描述。该任务具有广泛的应用场景,如多模态图像/文本检索,复杂场景理解,甚至可以帮助视障人士进行图文阅读。随着深度模型表达能力的提高和公开数据集的发展,现有的方法取得了一定的成果,但仍存在着明显的缺陷:（1）无法显式地对字幕预测进行控制,即无法选择使用“详细”还是“简洁”的方式描述图像内容,难以满足实际应用的不同需求。（2）现有算法大多采用自回归的解码方式,即文本的生成严格遵循“从左向右、逐字生成”。这种解码方式的计算复杂度会随着预测的图像字幕长度的增加而线性增长,故对生成长字幕不友好。首先,针对上述问题（1）,本文提出具有长度可控性的图像字幕生成算法。通过使用“长度等级”信息来赋予模型改变图像字幕长度的能力,同时提高生成字幕的多样性。本文进一步设计自适应图像字幕长度选择算法,在不冗余的前提下表达图像中的重要信息。实验表明,该算法能有效生成高质量、长度可控且多样性高的图像字幕,并提升了模型在MS COCO数据集上的性能表现。其次,针对上述问题（2）,本文提出非自回归式图像字幕生成算法。该算法基于迭代修正的思想,在预先设定好的迭代次数内完成图像字幕的解码,将计算复杂度优化为与图像字幕长度无关的常数级。此外,本文通过序列级知识蒸馏,有效提升非自回归式图像字幕生成质量。实验表明,本文提出的非自回归模型比自回归模型有更好的性能表现和更准确的控制能力,能够大幅提升解码的效率并产生更多样化的图像字幕。